Atslēgas līdzņemšanai
- Rets matērijas veids, ko sauc par griešanās stiklu, var nodrošināt AI, kas atpazīst objektus tā, kā to dara cilvēki.
- Stikla izmantošana drukājamām shēmām var radīt arī jaunus mazjaudas skaitļošanas veidus.
- Cita veida smadzeņu iedvesmotas mikroshēmas varētu arī uzlabot to, kā mākslīgais intelekts atpazīst attēlus.
Drukāšanas shēmas tieši uz fiziskiem objektiem var radīt viedāku mākslīgo intelektu (AI).
Pētnieki Losalamosas Nacionālajā laboratorijā izmanto retu vielu, kas pazīstama kā vērpšanas stikls, lai aizstātu ķēdes. Neparastās griešanās stikla īpašības nodrošina AI veidu, kas var atpazīt objektus no daļējiem attēliem tāpat kā smadzenes.
"Spin brilles ir sistēmas ar "bedrainu ainavu" ar iespējamiem risinājumiem," e-pastā Lifewire pastāstīja Santafē institūta datorzinātnieks un fiziķis Kriss Mūrs, kurš nebija iesaistīts Losalamos pētījumos. intervija. "Tie palīdz mums analizēt, kāpēc algoritmi dažkārt iestrēgst risinājumos, kas izskatās labi lokāli, bet nav iespējami labākie."
Drukājamas shēmas
Stikla izmantošana drukājamām shēmām varētu arī radīt jaunus mazjaudas skaitļošanas veidus. Spin-stikls ļauj pētniekiem izpētīt materiālu struktūras, izmantojot matemātiku. Izmantojot šo pieeju, zinātnieki var pielāgot mijiedarbību sistēmās, izmantojot elektronu staru litogrāfiju, kas izmanto fokusētu elektronu staru, lai uz virsmas zīmētu pielāgotas formas. Litogrāfija varētu ļaut drukāt jauna veida shēmas.
Litogrāfija ļauj attēlot dažādas skaitļošanas problēmas spin-stikla tīklos, saskaņā ar neseno Los Alamos komandas rakstu, kas publicēts recenzētajā žurnālā Nature Physics.
"Mūsu darbs paveica pirmo mākslīgā spin-stikla eksperimentālo realizāciju, kas sastāv no nanomagnētiem, kas sakārtoti, lai replikētu neironu tīklu," saka Maikls Sakons, pēcdoktorantūras pētnieks teorētiskajā fizikā Losalamosas Nacionālajā laboratorijā un pētījuma galvenais autors. laikraksts, teikts ziņu izlaidumā. "Mūsu dokumentā ir izveidots pamats, kas mums nepieciešams, lai praktiski izmantotu šīs fiziskās sistēmas."
Mūrs salīdzināja griešanās stiklu ar silīcija dioksīdu (logu stiklu), kas, šķiet, ir ideāls kristāls, taču, atdziestot, tas iestrēgst amorfā stāvoklī, kas molekulārā līmenī izskatās kā šķidrums.
"Tādā pašā veidā algoritmi var iestrēgt aiz "enerģijas barjerām", kas traucē globālajam optimālajam," piebilda Mūrs.
Idejas no vērpšanas stikla teorijas varētu palīdzēt pētniekiem orientēties augstas dimensijas ainavās.
"Šī nodarbe ir radījusi dinamisku starpdisciplināru kopienu fizikas, matemātikas un datorzinātņu krustpunktā," sacīja Mūrs."Mēs varam izmantot fizikas idejas, lai noteiktu algoritmu fundamentālos ierobežojumus, piemēram, cik lielu troksni tie var paciest, vienlaikus atrodot datu modeļus, un izstrādāt algoritmus, kas sekmīgi sasniedz šīs teorētiskās robežas."
AI, kas atceras kā cilvēki
Pētnieku grupa pētīja mākslīgo griešanās stiklu kā veidu, kā izpētīt tā sauktos Hopfīlda neironu tīklus. Šie tīkli modelē cilvēka asociatīvo atmiņu, kas ir spēja mācīties un atcerēties attiecības starp nesaistītiem priekšmetiem.
Teorētiskie modeļi, kas apraksta griešanās brilles, tiek plaši izmantoti citās sarežģītās sistēmās, piemēram, tajās, kas apraksta smadzeņu darbību.
Ar asociatīvo atmiņu, ja tiek aktivizēta tikai viena atmiņa, piemēram, saņemot daļēju sejas attēlu kā ievadi, tīkls var atsaukt visu seju. Atšķirībā no tradicionālajiem algoritmiem, asociatīvajai atmiņai nav nepieciešams identisks scenārijs, lai identificētu atmiņu.
Saccone un komandas veiktais pētījums apstiprināja, ka spin-stikls noderēs, lai aprakstītu sistēmas īpašības un to, kā tā apstrādā informāciju. Sakons sacīja, ka mākslīgā intelekta algoritmi, kas izstrādāti vērpšanas stiklā, būtu "nekārtīgāki" nekā tradicionālie algoritmi, taču arī elastīgāki dažām mākslīgā intelekta lietojumprogrammām.
"Teorētiskie modeļi, kas apraksta griešanās brilles, tiek plaši izmantoti citās sarežģītās sistēmās, piemēram, tajās, kas apraksta smadzeņu darbību, kļūdu labošanas kodus vai akciju tirgus dinamiku," sacīja Sakons. "Šī plašā interese par vērpšanas brillēm nodrošina spēcīgu motivāciju radīt mākslīgu izgriešanas stiklu."
Cita veida smadzeņu iedvesmotas mikroshēmas arī varētu uzlabot to, kā AI atpazīst attēlus. Nesenā rakstā ir parādīts, kā datoru mikroshēmas var dinamiski pārslēgties, lai uzņemtu jaunus datus, piemēram, smadzenes, palīdzot AI turpināt mācīties laika gaitā.
"Dzīvu būtņu smadzenes var nepārtraukti mācīties visu mūžu," ziņu izlaidumā sacīja Šrirams Ramanatans, Purdjū Universitātes Materiālu inženierijas skolas profesors un viens no darba autoriem."Tagad mēs esam izveidojuši mākslīgu platformu, lai mašīnas varētu mācīties visu mūžu."
